論文の概要: HUMAN: Hierarchical Universal Modular ANnotator

• arxiv url: http://arxiv.org/abs/2010.01080v1
• Date: Fri, 2 Oct 2020 16:20:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 01:33:05.587181
• Title: HUMAN: Hierarchical Universal Modular ANnotator
• Title（参考訳）: HUMAN:階層型ユニバーサルモジュールアノテーション
• Authors: Moritz Wolf, Dana Ruiter, Ashwin Geet D'Sa, Liane Reiners, Jan Alexandersson, Dietrich Klakow
• Abstract要約: a) テキストデータと画像データの両方で様々なアノテーションタスクをカバーし, b) 内部決定論的状態マシンの使用法を記述した, 上記の問題に対処する新しいWebベースのアノテーションツールを提案する。 Humaneには、アノテーションのタスクと管理を簡単にするグラフィカルなユーザインターフェースが付属している。
• 参考スコア（独自算出の注目度）: 14.671297336775387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A lot of real-world phenomena are complex and cannot be captured by single task annotations. This causes a need for subsequent annotations, with interdependent questions and answers describing the nature of the subject at hand. Even in the case a phenomenon is easily captured by a single task, the high specialisation of most annotation tools can result in having to switch to another tool if the task only slightly changes. We introduce HUMAN, a novel web-based annotation tool that addresses the above problems by a) covering a variety of annotation tasks on both textual and image data, and b) the usage of an internal deterministic state machine, allowing the researcher to chain different annotation tasks in an interdependent manner. Further, the modular nature of the tool makes it easy to define new annotation tasks and integrate machine learning algorithms e.g., for active learning. HUMAN comes with an easy-to-use graphical user interface that simplifies the annotation task and management.
• Abstract（参考訳）: 多くの現実世界の現象は複雑であり、単一のタスクアノテーションでは捉えられない。 これにより、被写体の性質を記述する相互依存的な質問と回答を含む、後続のアノテーションが必要となる。 ある現象が1つのタスクによって容易に捕捉される場合であっても、ほとんどのアノテーションツールの高度な特殊化は、タスクが少しだけ変化した場合に別のツールに切り替えることになる。 上記の問題に対処する新しいWebベースのアノテーションツールであるHUMANを紹介する。 a) テキストデータと画像データの両方に関する様々なアノテーションタスクをカバーし、 b) 内部決定論的状態機械の使用により、研究者は、異なるアノテーションタスクを相互依存的に連鎖させることができる。 さらに、このツールのモジュール性により、新しいアノテーションタスクの定義や、アクティブな学習など、機械学習アルゴリズムの統合が容易になる。 HUMANには、アノテーションタスクと管理を簡単にするグラフィカルユーザインターフェースが付属している。

関連論文リスト

• MetaTool: Facilitating Large Language Models to Master Tools with Meta-task Augmentation [25.360660222418183]
  再利用可能なツールセットにまたがって一般化するために設計された,新しいツール学習手法であるMetaToolを紹介する。 メタタスクデータをタスク指向トレーニングに組み込むことで,オープンソースの大規模言語モデルの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-07-15T10:15:41Z)
• Distribution Matching for Multi-Task Learning of Classification Tasks: a Large-Scale Study on Faces & Beyond [62.406687088097605]
  マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。 MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。 本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T14:18:11Z)
• Antarlekhaka: A Comprehensive Tool for Multi-task Natural Language Annotation [0.0]
  Antarlekhakaは自然言語処理に関連する一連のタスクを手作業でアノテーションするツールである。 このツールはUnicode互換で、言語に依存しない、Webデプロイ可能で、複数の同時アノテータによる分散アノテーションをサポートする。 サンスクリット語とベンガル語という2つの異なる言語での2つの実生活のアノテーションタスクに使用されている。
  論文  参考訳（メタデータ） (2023-10-11T19:09:07Z)
• EASE: An Easily-Customized Annotation System Powered by Efficiency Enhancement Mechanisms [30.01064463095968]
  EASEは、効率向上機構を利用した、カスタマイズが容易なシステムである。 sysnameは、カスタマイズされたインターフェイスを構築するためのモジュール型のアノテーションユニットを提供する。 この結果から,NLP研究者の多様なニーズを満たすことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-23T15:38:37Z)
• Universal Instance Perception as Object Discovery and Retrieval [90.96031157557806]
  UNIは多様なインスタンス認識タスクを統一されたオブジェクト発見・検索パラダイムに再構成する。 入力プロンプトを変更するだけで、さまざまな種類のオブジェクトを柔軟に知覚することができる。 UNIは10のインスタンスレベルのタスクから20の挑戦的なベンチマークで優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-12T14:28:24Z)
• PartAL: Efficient Partial Active Learning in Multi-Task Visual Settings [57.08386016411536]
  注記すべき画像だけでなく、各アクティブラーニング(AL)にアノテーションを提供するタスクのサブセットを選択する方が効果的であることを示す。 提案手法の有効性を,複数の一般的なマルチタスクデータセットに示す。
  論文  参考訳（メタデータ） (2022-11-21T15:08:35Z)
• Improving Task Generalization via Unified Schema Prompt [87.31158568180514]
  Unified Promptはフレキシブルでプロンプトの手法で、タスク入力スキーマに従って各タスクの学習可能なプロンプトを自動的にカスタマイズする。 異なるタスクスキーマの特徴を維持しながら、タスク間の共有知識をモデル化する。 このフレームワークは、8つのタスクタイプから下流に見えない16のタスクに対して、強力なゼロショットと少数ショットのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-05T15:26:36Z)
• Improving Multi-task Generalization Ability for Neural Text Matching via Prompt Learning [54.66399120084227]
  最近の最先端のニューラルテキストマッチングモデル(PLM)は、様々なタスクに一般化することが難しい。 我々は、特殊化一般化訓練戦略を採用し、それをMatch-Promptと呼ぶ。 特殊化段階では、異なるマッチングタスクの記述はいくつかのプロンプトトークンにマッピングされる。 一般化段階において、テキストマッチングモデルは、多種多様なマッチングタスクを訓練することにより、本質的なマッチング信号を探索する。
  論文  参考訳（メタデータ） (2022-04-06T11:01:08Z)
• Distribution Matching for Heterogeneous Multi-Task Learning: a Large-scale Face Study [75.42182503265056]
  マルチタスク学習は、共有学習アルゴリズムによって複数のタスクを共同で学習する方法論として登場した。 我々は異種mtlに対処し,検出,分類,回帰問題を同時に解決する。 大規模な顔分析のための最初のフレームワークであるFaceBehaviorNetを構築し、すべての顔行動タスクを共同で学習する。
  論文  参考訳（メタデータ） (2021-05-08T22:26:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。